À mesure que de plus en plus de personnes portent des masques en raison de la pandémie de COVID-19 actuelle, les systèmes existants de reconnaissance faciale risquent de subir une dégradation importante de leurs performances lorsqu’ils doivent identifier des visages masqués. Afin d’évaluer l’impact des masques sur les modèles de reconnaissance faciale, nous avons développé un outil simple mais efficace permettant de générer automatiquement des visages masqués à partir de visages non masqués, et construit une nouvelle base de données appelée Masked LFW (MLFW), à partir de la base Cross-Age LFW (CALFW). Le masque appliqué aux visages générés présente une bonne cohérence visuelle avec le visage d’origine. En outre, nous avons collecté divers modèles de masques, couvrant la majorité des styles courants observés dans la vie quotidienne, afin d’obtenir des effets de génération variés. En tenant compte de scénarios réalistes, nous avons conçu trois types de combinaisons de paires de visages. La précision de reconnaissance des modèles d’état de l’art (SOTA) diminue de 5 à 16 % sur la base MLFW par rapport à celle obtenue sur les images d’origine. La base de données MLFW est disponible en consultation et téléchargement à l’adresse suivante : \url{http://whdeng.cn/mlfw}.